面向人体姿态估计的先验引导无源域自适应
计算机视觉与模式识别
2023-08-29 v1
摘要
二维人体姿态估计的域自适应方法通常在自适应过程中需要持续访问源数据，但由于隐私、内存或计算限制，这往往具有挑战性。为应对这一局限，我们聚焦于姿态估计的无源域自适应任务，其中源模型必须仅利用无标签目标数据来适应新的目标域。尽管近期进展已引入面向分类任务的无源方法，但将其推广到姿态估计这一回归任务并非易事。本文提出先验引导自训练（POST），一种基于流行的 Mean Teacher 框架构建的伪标注方法，用以补偿分布偏移。POST 利用学生模型与教师模型在特定图像变换下的预测级与特征级一致性。在缺乏源数据的情况下，POST 利用人体姿态先验，通过引导模型生成更准确且在解剖学上合理的姿态伪标签来正则化自适应过程。尽管简单直观，我们的框架相较于直接将源模型应用于目标数据可带来显著的性能提升，这在我们的充分实验与消融研究中得到了验证。事实上，我们的方法取得了与近期使用源数据进行自适应的前沿（SOTA）方法相当的性能。
引用
@article{arxiv.2308.13954,
title = {Prior-guided Source-free Domain Adaptation for Human Pose Estimation},
author = {Dripta S. Raychaudhuri and Calvin-Khang Ta and Arindam Dutta and Rohit Lal and Amit K. Roy-Chowdhury},
journal= {arXiv preprint arXiv:2308.13954},
year = {2023}
}
备注
Accepted at ICCV 2023